11浅析遗传算法的机器人路径规划matlab源代码.docx

基于遗传算法的机器人路径规划MATLAB源代码基本思路是：取各障碍物顶点连线的中点为路径点，相互连接各路径点，将机器人移动的起点和终点限制在各路径点上，利用最短路径算法来求网络图的最短路径，找到从起点P1到终点Pn的最短路径。上述算法使用了连接线中点的条件，因此不是整个规划空间的最优路径，然后利用遗传算法对找到的最短路径各个路径点Pi (i=1,2,…n)调整，让各路径点在相应障碍物端点连线上滑动，利用Pi= Pi1+ti×(Pi2-Pi1)（ti∈[0,1] i=1,2,…n）即可确定相应的Pi，即为新的路径点，连接此路径点为最优路径。function [L1,XY1,L2,XY2]=JQRLJGH(XX,YY)%% 基于Dijkstra和遗传算法的机器人路径规划% GreenSim团队——专业级算法设计代写程序% 欢迎访问GreenSim团队主页→/greensim%输入参数在函数体内部定义%输出参数为% L1 由Dijkstra算法得出的最短路径长度% XY1 由Dijkstra算法得出的最短路径经过节点的坐标% L2 由遗传算法得出的最短路径长度% XY2 由遗传算法得出的最短路径经过节点的坐标%程序输出的图片有% Fig1 环境地图（包括：边界、障碍物、障碍物顶点之间的连线、Dijkstra的网络图结构）% Fig2 由Dijkstra算法得到的最短路径% Fig3 由遗传算法得到的最短路径% Fig4 遗传算法的收敛曲线（迄今为止找到的最优解、种群平均适应值）%% 画Fig1figure(1);PlotGraph;title(地形图及网络拓扑结构)PD=inf*ones(26,26);for i=1:26 for j=1:26 if D(i,j)==1 x1=XY(i,5); y1=XY(i,6); x2=XY(j,5); y2=XY(j,6); dist=((x1-x2)^2+(y1-y2)^2)^0.5; PD(i,j)=dist; end endend%% 调用最短路算法求最短路s=1;%出发点t=26;%目标点[L,R]=ZuiDuanLu(PD,s,t);L1=L(end);XY1=XY(R,5:6);%% 绘制由最短路算法得到的最短路径figure(2);PlotGraph;hold onfor i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],k); hold onendtitle(由Dijkstra算法得到的初始路径)%% 使用遗传算法进一步寻找最短路%第一步：变量初始化M=50;%进化代数设置N=20;%种群规模设置Pm=0.3;%变异概率设置LC1=zeros(1,M);LC2=zeros(1,M);Yp=L1;%第二步：随机产生初始种群X1=XY(R,1);Y1=XY(R,2);X2=XY(R,3);Y2=XY(R,4);for i=1:N farm{i}=rand(1,aaa);end% 以下是进化迭代过程counter=0;%设置迭代计数器while counterM%停止条件为达到最大迭代次数 %% 第三步：交叉 %交叉采用双亲双子单点交叉 newfarm=cell(1,2*N);%用于存储子代的细胞结构 Ser=randperm(N);%两两随机配对的配对表 A=farm{Ser(1)};%取出父代A B=farm{Ser(2)};%取出父代B P0=unidrnd(aaa-1);%随机选择交叉点 a=[A(:,1:P0),B(:,(P0+1):end)];%产生子代a b=[B(:,1:P0),A(:,(P0+1):end)];%产生子代b newfarm{2*N-1}=a;%加入子代种群 newfarm{2*N}=b; for i=1:(N-1) A=farm{Ser(i)}; B=farm{Ser(i+1)}; newfarm{2*i}=b; end FARM=[farm,newfarm];%新旧种群合并 %% 第四步：选择复制 SER=randperm(2*N); FITNESS=zeros(1,2*N); fitness=zeros(